作为智能体使用的大型语言模型（LLM）在长时间任务中常常会失去对目标的追踪，重复动作或错误使用工具。为了解决这个问题，来自Google、Georgia Tech和Peking University的研究人员引入了程序图——一种结构化记忆，将程序知识存储为（程序，关系，程序）三元组，类似于知识图谱存储事实的方式。在每一步中，智能体的活动节点定位相关的子图信息，由指导模型将其转化为情境建议，这些建议偏向但不决定下一步动作。该图自我进化：一个LLM精炼器比较失败和成功的轨迹，编辑图的拓扑和属性，并且只提交能改善保留验证性能的更改。被拒绝的编辑被保留以避免重复错误。从最小骨架开始，这种方法构建的图可以匹配或超过手工设计的图，并且可以修复有缺陷的专家先验。在多个数据集、任务类型和骨干LLM上，程序图始终优于基于记忆的基线，自我进化在不进行手动工程的情况下进一步增加了收益。